跳转至

2026-10-05 每日资讯

  • 高相关论文 0 篇 · 中相关 7 篇 · 其他 5 篇 · 会议/Seminar 事件 0 条

📌 中相关论文(按主题分组)

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2610.02633 — High-Dimensional Regularization of the Spatial Sign Covariance Matrix for Robust Shape Estimation

  • 作者: Jonas Elmerraji, James C. Spall, Mateo Díaz
  • 机构: Johns Hopkins University · University of Chicago
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究重尾椭圆分布下形状矩阵(shape matrix)的估计问题,目标是在维度与样本量同阶增长的高维设定下比较 Tyler's M-estimator (TME) 与空间符号协方差矩阵估计量 (SSCM) 的 Frobenius 风险。作者利用随机矩阵理论的二阶工具,证明在标准假设下 SSCM 渐近地优于 TME,尽管 SSCM 在固定维度下不一致。其优势源于隐式正则化:以随维度增长而消失的偏差换取方差的大幅降低。数值实验验证了理论预测在中等维度下也成立。
  • 关键技术: random matrix theory, second-order asymptotics, Tyler's M-estimator, spatial sign covariance matrix, Frobenius risk, implicit regularization
  • 为什么对您有用: 直接对接高维统计与随机矩阵理论这一 primary interest,且其'隐式正则化'视角与统计-计算权衡(信息-计算差距)有潜在联系;可用您 very_familiar 的高维渐近工具验证其风险界是否紧,或进一步分析 SSCM 的更高阶性质。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2610.02921 — Spatial Functional \(k\)-Nearest-Neighbour Regression under Polynomial Dependence

  • 作者: Stéphane Bouka
  • 机构: Université des Sciences et Techniques de Masuku
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究当协变量取值于可分Hilbert空间、观测在递增规则空间格点上采样时的非参数回归估计,目标为函数型k近邻(k-NN)估计量的渐近性质。在协变量与误差满足严格的场间独立设定下,作者通过建立数据驱动随机带宽的路径wise确定性夹逼框架,将局部无穷维小球概率轮廓与邻域指示子的多项式协方差衰减解耦。在短程、临界和长程三种空间相关 regime 下推导出逐点收敛速率,揭示了同时反映协变量空间交互与响应误差记忆的联合惩罚项。对于无界次高斯误差过程,利用度量熵和指示子边界壳链式论证建立了紧子集上的一致相合性。结构化多项式模拟验证了理论速率,并展示了空间长程瓶颈的具体机制。该工作对您在高维/函数型非参数估计的 minimax 理论兴趣有直接关联,其小概率轮廓与空间相关解耦技术可能对您处理相关数据下的 U-统计量有帮助。
  • 关键技术: functional k-NN regression, small-ball probability, random bandwidth sandwiching, metric entropy chaining, polynomial spatial dependence
  • 为什么对您有用: 本文属于非参数/半参数理论方向,直接连接您的 primary interest 中的非参数估计理论。您可以用 very_familiar 的 minimax 界技术来检验其收敛速率在长程相关下是否最优,或用 moderately_familiar 的 U-统计量理论分析其邻域指示子的高阶相关结构。中期可做:需先熟悉空间相关过程的概率工具(如混合条件),但核心夹逼框架与您的武器库兼容。

2. 2610.02893 — A Residual Tree Gaussian Process Modeling Framework for High-Dimensional Data

  • 作者: Pulong Ma, Li Ma
  • 机构: Iowa State University · University of Chicago
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一种贝叶斯残差树高斯过程(ResTGP)框架,用于处理高维域上具有异质结构的大规模空间数据。其核心思想是沿二又树逐级分解高斯过程,通过迭代计算预测过程和残差过程,使得每个树节点(包括内部节点和叶节点)上的残差过程足以刻画该节点内的细粒度依赖,从而以多尺度方式灵活表征协方差结构,并实现数据域上的分治,提升计算效率。为支持树结构的推断,作者引入基于递归消息传递的计算策略,在给定树的情况下计算复杂度与样本量呈线性关系。在非参数回归框架下,论文证明了所提模型对连续函数估计的后验一致性。大量数值实验和风暴潮应用验证了方法的优势。对您而言,该文的多尺度分解与分治思想可能为高维非参数估计中的计算-统计权衡提供新视角,但其核心机器(贝叶斯树GP)不在您的武器库中,属于暂不可做方向。
  • 关键技术: Gaussian process, dyadic tree decomposition, recursive message passing, Bayesian inference, posterior consistency, divide-and-conquer
  • 为什么对您有用: 本文属于非参数贝叶斯方法,与您的非参数/半参数理论兴趣相关,但其核心是贝叶斯GP和树结构,而非您熟悉的频率学派或因果推断。作为gateway阅读,它展示了高维空间数据建模的一种计算策略,但方法迁移性有限。您的武器库(如U统计量、极小极大界)难以直接攻入,属于暂不可做。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 2610.02777 — Efficient conformal prediction intervals for time series: Online PID-Expert aggregation

  • 作者: Guodong Liu, Yanfei Kang, Ren Miao, Xiaoqian Wang
  • 机构: Beihang University · Intelligent Health (United Kingdom) · Chinese Academy of Sciences · Academy of Mathematics and Systems Science
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对时间序列的共形预测区间,提出 PID-Expert 在线聚合方法,以在保持覆盖率的条件下提高区间效率(即更窄的区间)。方法将一组固定 PID 校准器作为专家,依据归一化区间宽度和误覆盖风险动态调整聚合权重,并通过共享乘子自适应误覆盖惩罚。作者建立了在实现乘子序列下的加权专家损失的局部遗憾界,以及在稳定性条件下时间平均聚合误覆盖的路径上界(期望和几乎必然意义下)。模拟和两个真实数据应用表明,PID-Expert 相比预设的 Conformal PID 基准产生更窄的平均区间,同时保持经验覆盖率接近名义水平。与专家选择和等权平均相比,聚合在覆盖-效率权衡上更均衡,尤其在分布突变后能自适应局部权衡。对您而言,该文将在线学习与共形预测结合,其遗憾界分析可迁移到您熟悉的假设检验与效率理论框架中。
  • 关键技术: conformal prediction, online aggregation, PID calibration, regret bounds, coverage-efficiency trade-off
  • 为什么对您有用: 该文属于假设检验与预测区间方法,与您的主要兴趣(数学统计、假设检验)相关,且其在线聚合与遗憾界分析可联系到您熟悉的效率理论。技术上,您可用非常熟悉的非参数统计和 minimax 界工具来审视其局部遗憾界的紧性,属于立即可做的范畴。

流行病学 (epidemiology, 1 篇)

1. 2610.03189 — Bayesian Analysis of Covariate-Driven Hawkes Processes with Application in Plant Epidemiology

  • 作者: Katarzyna Adamczyk-Chauvat, Madalina Deaconu, Sylwester Masny, Guillaume Kon Kam King
  • 机构: Université Paris-Saclay · Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement · Mathématiques et Informatique Appliquées du Génome à l'Environnement · Centre National de la Recherche Scientifique · Institut national de recherche en sciences et technologies du numérique · Institut Élie Cartan de Lorraine · Université de Lorraine · National Horticultural Research Institute 等
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种协变量驱动的 Hawkes 过程贝叶斯推断框架,用于建模具有自激行为的时间点过程,其中基线强度依赖动态协变量,触发函数取指数形式。为进行变量选择,作者引入 spike-and-slab 先验,以实现对相关协变量的稀疏选择,并给出后验预测检验与概率预测的模拟流程。方法应用于苹果黑星病病原菌 Venturia inaequalis 的孢子释放数据,研究环境协变量对初次释放的影响,并揭示后续释放的自激特性。贝叶斯框架自然支持未来孢子释放的预测,提供可解释的后验包含概率和不确定性感知的风险带。对您而言,这是一篇流行病学应用论文,展示了贝叶斯变量选择与点过程建模在真实事件数据上的完整分析流程,可作为应用因果推断或纵向数据建模的参考案例。
  • 关键技术: Hawkes process, spike-and-slab prior, Bayesian variable selection, posterior predictive checks, probabilistic forecasting
  • 为什么对您有用: 本文属于流行病学应用,符合您的 secondary interest 中流行病学应用因果工作的方向;作为 gateway reading,它清晰展示了贝叶斯点过程模型在真实流行病数据上的建模与预测流程,数据结构和模型假设交代清楚,适合作为入门读物;您的武器库(如 M-estimation、semiparametric theory)足以理解其推断框架,但若想深入贝叶斯计算细节,可能需要补充 MCMC 或变分推断知识,因此属于中期可做方向。

其他 (other, 2 篇)

1. 2610.02682 — Characterizing Identifiability in Boolean Factor Models

  • 作者: Mengqi Lin, Gongjun Xu
  • 机构: University of Michigan
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究布尔因子模型(含布尔矩阵分解与认知诊断模型)中图结构的可识别性,目标是在无纯节点(pure nodes)假设下判定潜在变量如何影响观测变量的图结构是否可识别。作者利用 Hasse 图表示观测变量的分布,将可识别性问题转化为图同构问题,从而给出不依赖纯节点的充分必要条件。进一步推导等价的代数条件,并开发基于布尔可满足性(SAT)的高效验证算法。分析还扩展到概率布尔因子模型,建立无需纯节点即可联合识别图结构与额外模型参数的条件。结果显著拓宽了可识别且可解释的布尔因子模型类别,并为实践者提供了易用的可识别性检验工具。
  • 关键技术: Boolean factor models, Hasse diagram, graph isomorphism, Boolean satisfiability (SAT), identifiability conditions
  • 为什么对您有用: 本文属于潜在变量模型的可识别性理论,与您的主要兴趣(因果推断中的识别理论)有概念上的连接,但并非直接相关。其图同构与 SAT 验证方法可能对您处理复杂识别条件时的计算验证有启发,但核心机器(布尔代数、SAT)不在您的武器库中,且主题偏离您的核心方向。作为方法学拓展阅读价值有限,不建议深入。

2. 2610.03006 — Psychometric Tests: Quantifying the Consequences of Low Reliability and Improving Reliability Estimation

  • 作者: Rose Baker
  • 机构: University of Salford
  • 相关性 4/10 · novelty: minor
  • 摘要: 本文针对多项目心理测量量表的信度问题,提出了一组基于后果的度量,用于量化因信度不完善导致的误分类,特别关注极端潜特质百分位个体被正确识别的概率。这些成本函数为表征信度不足如何扭曲分类和降低测试信息价值提供了原则性且可解释的方式。文章还探讨了在共同因子模型下估计信度的方法论问题,重点涉及McDonald's omega和准确置信区间的构建。为应对模型拟合的计算负担,尤其是在小样本情况下,作者推导了Cronbach's alpha的修正版本,该版本在共同因子模型成立时能紧密近似omega,且具有与omega相当的抽样变异性,但无需参数估计,提供了实用且计算高效的替代方案。
  • 关键技术: Cronbach's alpha, McDonald's omega, common-factor model, confidence intervals, misclassification measures
  • 为什么对您有用: 本文属于心理测量学领域,与您的主要兴趣(因果推断、高维统计、半参数理论等)无直接重叠,但涉及统计计算中的小样本估计问题,可能对您统计计算兴趣中的算法效率有轻微启发。作为入门读物,本文对非心理测量学背景的统计学家较为友好,但方法学新颖性有限,不值得优先深读。

🗂 其他论文(仅 LLM 评分,未生成摘要)

未生成中文摘要的论文,按 LLM 评分由高到低排列,仅保留评分与简评,便于回溯查全。一般为相关性低于展示阈值者;个别历史页也含当时因单日摘要上限未展开的高分篇目(评分仍清楚标着)。

1. 2610.03181 — Cellwise, Blockwise, and Casewise Robust Multiblock PCA for Sustainable and Inclusive Wellbeing in the EU

  • 作者: Arthur Daisomont, Fabio Centofanti, Mia Hubert
  • 机构: European Commission · Joint Research Centre · KU Leuven
  • 相关性 3/10
  • 评分理由: Robust multiblock PCA for EU wellbeing; applied multivariate statistics, tangential to primary interests.

2. 2610.02944 — Cross-Fitting Under Nonregularity: Normality and Inference via Locality

  • 作者: Bruno Fava
  • 机构: Stanford University
  • 相关性 0/10

3. 2610.02938 — Evaluating Threshold Policies in Randomized Threshold Designs: A Cautionary Tale for Regression Discontinuity Designs

  • 作者: Shunsuke Imai, Koshi Nishida, Yuta Okamoto
  • 机构: Kyoto University · The University of Tokyo · Hitotsubashi University
  • 相关性 0/10

4. 2610.02737 — Robust Bayesian non-linear pulsar timing and noise analysis using a sequential data-tempered ensemble sampler

  • 作者: Abhimanyu Susobhanan
  • 机构: Software Training and Development Centre · Indian Institute of Science Education and Research Thiruvananthapuram
  • 相关性 0/10

5. 2610.02613 — Do Astronomical Foundation Models Know When They Will Fail?

  • 作者: Vaidehi Bulusu, Mehul Goyal, Md Rabius Sany Apu, Michael J. Smith, Shashwat Sourav
  • 相关性 0/10

Maintained by 陈星宇 · Homepage · Source on GitHub

评论